Синтез речи на длинной дистанции: 2 часа книги вскрыли проблемы, которые не видит проверка из 14 фраз

Автор серии статей о синтезе речи рассказал, что когда его голос прочитал целую книгу — роман «Лестница» на 16 глав, 15 444 слова и 1 ч 58 мин звучания, — тембр держался ровно всё время. Но почти все сбои оказались не в модели, а в обвязке: нарезке текста на предложения, склейке коротких фраз, обрезке вдохов, извлечении текста из файла книги и разметке времени.

Проверочный набор из 14 коротких фраз, по которому автор раньше сравнивал версии модели, не поймал ни одну из этих проблем. Более того, в одном случае он не смог отличить полезную правку от вредной — короткие фразы дают ложное ощущение надёжности.

Как и в прошлых статьях серии, автор не раскрывает названия моделей, источников данных и параметров обучения. Зато делится метриками, методикой проверки и списком граблей — полезный опыт для всех, кто занимается озвучкой длинных текстов.